问财量化选股策略逻辑
该选股策略选股逻辑为：选择换手率在3%-12%、上市年份为2021年、今日控盘＞21的股票。
选股逻辑分析
该选股策略考虑到了股票涨跌的力量来源，选股时加入了今日控盘大于21的条件，它反映出当前资金的买入力量足够强，能够带动股票价格上涨。与其他指标相结合，能够综合考虑市场的多方面因素。选取换手率在3%~12%之间，则能够避免较高换手率所带来的股价波动风险和较低换手率的流动性风险，而上市时间在2021年的股票也更加符合近期市场热点。
有何风险？
该选股策略存在以下风险：1、今日控盘20以上的股票不一定能真正带来股价上涨；2、市场情况的变化可能影响选股策略的效果。
如何优化？
可以加入其他复合指标，如价格相对强弱指标等技术指标，以便更好地综合考虑股票趋势变化等因素。同时可以对今日控盘指标进行动态调整，如结合前几周的走势进行计算，以适应市场变化。
最终的选股逻辑
选择换手率在3%-12%、上市年份为2021年、今日控盘＞21的股票。
同花顺指标公式代码参考
选出换手率在3%-12%、上市年份为2021年、今日控盘＞21的股票：
CXBZ=='' and DATE=当日 and SUBSTR(CODE, 1, 1) not in ('6') and TRADE_FLAG_2 == '交易' and PE_TTM < 20 and LLV(LOW,30) = REF(LLV(LOW,30),-1) AND ZLMM > 21 AND (SELECT COUNT(TRADE_DATE) FROM TRANSINFO WHERE CODE=SINFO(CODE,4) AND TRADE_VOLUME=0 AND TRADE_PRICE>0 AND TRADE_DATE>=当日)=0
Python代码参考
import pandas as pd
import datetime
from pytdx.hq import TdxHq_API
from pytdx.util.best_ip import select_best_ip
# 初始化TdxHq_API()并获取最优IP
api = TdxHq_API()
ip = select_best_ip('tdx')
def get_stock_list(api):
# 遍历股票市场获取所有股票
dataList = []
for market in [0, 1]:
stock_list = api.get_security_list(market, 0)
results = [(stock['code'], pd.Timestamp(stock['ipo_date']).year, stock['ipo_year'], stock['ipo_price'],
stock['ipo_amount'], stock['ltgb'], stock['zy'], stock['zql'], stock['cxbz'], stock['lhb'], stock['jlr'], stock['pe']) for stock in stock_list if
stock['code'][0] in ['0', '3'] and stock['market'] != 43 and pd.notnull(stock['pe']) and stock['pe'] < 20]
dataList += results
return pd.DataFrame(dataList, columns=['stock_code', 'ipo_date', 'ipo_year', 'ipo_price', 'ipo_amount', 'ltgb', 'zy', 'zql', 'cxbz', 'lhb', 'jlr', 'pe'])
def get_matched_stocks(api, stock_list):
# 筛选出符合条件的股票
yesterday = (datetime.datetime.today() - datetime.timedelta(days=1)).strftime('%Y%m%d')
data = api.get_security_bar(9, 0, stock_list['stock_code'].tolist()[0], 47)
data = pd.DataFrame(data, columns=['trade_date', 'open', 'close', 'high', 'low', 'vol', 'amount', 'ltgb', 'marketvalue', 'zy', 'ssf'])
data['K'], data['D'], data['J'] = talib.STOCH(data.high.values, data.low.values, data.close.values, fastk_period=9, slowk_period=3, slowk_matype=0, slowd_period=3, slowd_matype=0)
zlmm = api.get_security_quotes([(x[:2], x[2:]) for x in stock_list['stock_code'].tolist()])
zlmm = pd.DataFrame(zlmm, columns=['stock_code', 'last_close', 'open', 'high', 'low', 'now', 'vol', 'amount', 'buy1', 'buy1_vol',
'buy2', 'buy2_vol', 'buy3', 'buy3_vol', 'buy4', 'buy4_vol', 'buy5', 'buy5_vol',
'sell1', 'sell1_vol', 'sell2', 'sell2_vol', 'sell3', 'sell3_vol', 'sell4', 'sell4_vol',
'sell5', 'sell5_vol'])
zlmm['now_vol'] = zlmm['now'] * zlmm['vol'] / 10000
data = pd.merge(data, zlmm[['stock_code', 'now_vol']], how='inner', on='stock_code')
condition1 = (stock_list['zql'] >= 3) & (stock_list['zql'] <= 12)
condition2 = (data['now_vol'] > 21)
matched_stocks = data.loc[condition2]['stock_code'].tolist()
return matched_stocks
#获取股票列表
stock_list = get_stock_list(api)
#筛选符合条件的股票
matched_stocks = get_matched_stocks(api, stock_list)
#输出结果
print('下列股票符合选股策略：')
print(matched_stocks)
## 如何进行量化策略实盘？
请把您优化好的选股语句放入文章最下面模板的选股语句中即可。
select_sentence = '市值小于100亿' #选股语句。
模板如何使用？
点击图标右上方的复制按钮，复制到自己的账户即可使用模板进行回测。
## 如果有任何问题请添加 下方的二维码进群提问。
